{ "aboutHtml": "

Qwen-Audio-3.0-TTS-Flash pretvori priloženo besedilo za branje v govor, pri čemer je izdaja Flash osredotočena na interakcijo v realnem času. Qwen kot glavne načine uporabe navaja glasovne pomočnike, interaktivni dialog in inteligentno podporo strankam. V primerjavi s predhodno različico proizvajalec opisuje širšo podporo za jezike z manj razpoložljivimi viri in kitajska narečja, pristnejše narečno izražanje ter boljši nadzor nad čustvi, tonom, značajem, hitrostjo, glasnostjo in slogom govora. Poroča tudi o boljši razločnosti in robustnosti v hrupnih akustičnih razmerah ali ob odmevu. Gre za sintezo zvoka iz besedila, ne za prepoznavanje dohodnega govora ali model za glasovni dialog.

Flash daje prednost hitremu začetku govora v interaktivni izmenjavi. Qwen za sintezo tega modela v realnem času navaja zakasnitev prvega paketa največ 200 milisekund; priročnik za uporabo opozarja tudi, da začetna vzpostavitev povezave prispeva k izmerjeni zakasnitvi ob prvem pošiljanju. Besede, ki naj bodo dejansko izgovorjene, pripravite ločeno od želenega načina podajanja. Za odgovor glasovnega pomočnika lahko primer navodila združi jedrnat odgovor z zahtevo po mirnem, jasnem govoru. Ustrezen rezultat je ustvarjeni govor za to besedilo, predvajanje in potek pogovora pa ureja aplikacija.

Proizvajalčev seznam sistemskih glasov vključuje možnosti za posamezni model, kot sta Long An Feng Yue za naravno, prijazno podajanje in Long An Xiao Xin za prijazno, živahno podajanje; oba sta navedena za mandarinščino in angleščino. Vključuje tudi angleške glasove, kot sta loongmary z britanskim naglasom in loongjohn z mirnim, prijaznim ameriškim naglasom. Vsak model ima poleg tega več kot 500 osnovnih glasov. Qwen za doslednost priporoča, da začnete s sistemskimi glasovi, pri izbiri osnovnega glasu pa ocenite predoglede. Glas mora pripadati izbranemu modelu, besedilo pa mora biti v jeziku, ki ga ta glas podpira.

Klonirani glasovi razširijo dokumentirani nabor jezikov na kitajščino, angleščino, japonščino, korejščino, ruščino, francoščino, nemščino, portugalščino, tajščino, indonezijščino, vietnamščino, španščino, italijanščino, malajščino, filipinščino in arabščino. Kitajski nabor vključuje mandarinščino, kantonščino, narečje severovzhodne Kitajske in šanghajščino ter različice Chongqing, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Sichuan in Yunnan; narečje izberete z navodili. Tabela modelov navaja podporo za kloniranje glasu na podlagi vzorca in ga ločuje od ustvarjanja novega glasu zgolj iz besedilnega opisa, česar ta izdaja ne podpira.

Za kloniranje proizvajalec priporoča 10–20-sekundni posnetek, pri čemer je največja dolžina 60 sekund, velikost datoteke pa ne sme presegati 10 MB. Podprti referenčni formati so 16-bitni WAV, MP3 in M4A s frekvenco vzorčenja vsaj 16 kHz. Posnetek mora vsebovati vsaj pet sekund neprekinjenega razločnega govora; drugi premori naj ne bodo daljši od dveh sekund. Izogibajte se zvokom v ozadju, drugim glasovom in petju. Stereo je dovoljen, vendar se obdela le prvi kanal. Postopek kloniranja vrne identifikator glasu, vezan na točno določen ciljni model; sinteza ga uporabi, ko je glas pripravljen. Za isti posnetek morate ustvariti ločena klonirana glasova za Flash in Plus.

Navodila v naravnem jeziku nadzorujejo podajanje tako sistemskih kot kloniranih glasov. Opišite slišne značilnosti, kot so nežen ton, jasna izgovarjava ali nekoliko počasnejši tempo. Oznake znotraj besedila omogočajo drugačen nadzor: [empathetic] ali [serious] nastavi slog za nadaljnje besedilo, [laughing] ali [sighing] pa vstavi glasovni učinek na določeno mesto. Nadzorna oznaka velja do druge nadzorne oznake ali samodejne razdelitve na stavke. Te oznake za čustva in bogatejše izražanje so dokumentirane le za enosmerno pretakanje, ne za način z dvosmernim vnosom besedila. Izrazno poved pripravite v načinu, ki ustreza tem možnostim nadzora.

Proizvajalčev govorni vmesnik podpira PCM, WAV, MP3 in Opus. Navedene frekvence vzorčenja so 8.000, 16.000, 22.050, 24.000, 44.100 in 48.000 Hz, privzeti vrednosti pa sta MP3 in 22.050 Hz. Glasnost je v razponu od 0 do 100; hitrost govora in višina tona sta vsaka v razponu od 0,5 do 2,0. MP3 in Opus omogočata tudi nastavitev bitne hitrosti od 6 do 510 kbps. Format in frekvenco vzorčenja izberite glede na predvideni predvajalnik ali postopek obdelave. Za interaktivne aplikacije proizvajalec dokumentira pretočne zvočne okvirje in metapodatke stavkov, pri čemer so v pretočnem izhodu za ustrezne glasove, vključno s kloniranimi, na voljo časovne oznake na ravni besed.

Dokumentirani besedilni protokol WebSocket sprejme do 20.000 znakov v enem besedilnem sporočilu in skupno 200.000 znakov v nalogi, med zaporednima pošiljanjema pa ne sme preteči več kot 23 sekund. To so omejitve proizvajalčevega protokola, ločene od splošne omejitve trajanja izhoda modela. Podpira preklic trenutne sinteze v pogovoru in naslednjo nalogo na isti povezavi. Besedilne segmente ohranite v predvidenem vrstnem redu izgovarjanja in zaključite vnos, ko je celotno besedilo oddano. Za pripravo izgovarjave proizvajalec dokumentira namige o ciljnem jeziku, opombe v pinjinu in zamenjave besedila, ki so uporabni, ko so števke, kratice ali simboli izgovorjeni drugače od pričakovanj.

SSML je ločena možnost označevalnega zapisa s pogoji glede glasu in načina interakcije: Qwen ga dokumentira za klonirane glasove, pri nepretočnih klicih ali enosmernem pretakanju ter z enim samim pošiljanjem besedila, ko je SSML omogočen. Ne predpostavljajte, da je na voljo za vsak prednastavljen glas ali dvosmerni tok. Pri običajnem dialogu začnite z združljivim glasom, urejenim besedilom za branje in natančnim navodilom za podajanje; ciljni nadzor nad izgovarjavo ali izraznostjo dodajte, kadar ga naloga zahteva. Tako ostaja profil Flash osredotočen na odziven govor iz pripravljenega besedila in ne na zmožnosti drugih Qwenovih zvočnih modelov.

", "aboutText": "Qwen-Audio-3.0-TTS-Flash pretvori priloženo besedilo za branje v govor, pri čemer je izdaja Flash osredotočena na interakcijo v realnem času. Qwen kot glavne načine uporabe navaja glasovne pomočnike, interaktivni dialog in inteligentno podporo strankam. V primerjavi s predhodno različico proizvajalec opisuje širšo podporo za jezike z manj razpoložljivimi viri in kitajska narečja, pristnejše narečno izražanje ter boljši nadzor nad čustvi, tonom, značajem, hitrostjo, glasnostjo in slogom govora. Poroča tudi o boljši razločnosti in robustnosti v hrupnih akustičnih razmerah ali ob odmevu. Gre za sintezo zvoka iz besedila, ne za prepoznavanje dohodnega govora ali model za glasovni dialog.\n\nFlash daje prednost hitremu začetku govora v interaktivni izmenjavi. Qwen za sintezo tega modela v realnem času navaja zakasnitev prvega paketa največ 200 milisekund; priročnik za uporabo opozarja tudi, da začetna vzpostavitev povezave prispeva k izmerjeni zakasnitvi ob prvem pošiljanju. Besede, ki naj bodo dejansko izgovorjene, pripravite ločeno od želenega načina podajanja. Za odgovor glasovnega pomočnika lahko primer navodila združi jedrnat odgovor z zahtevo po mirnem, jasnem govoru. Ustrezen rezultat je ustvarjeni govor za to besedilo, predvajanje in potek pogovora pa ureja aplikacija.\n\nProizvajalčev seznam sistemskih glasov vključuje možnosti za posamezni model, kot sta Long An Feng Yue za naravno, prijazno podajanje in Long An Xiao Xin za prijazno, živahno podajanje; oba sta navedena za mandarinščino in angleščino. Vključuje tudi angleške glasove, kot sta loongmary z britanskim naglasom in loongjohn z mirnim, prijaznim ameriškim naglasom. Vsak model ima poleg tega več kot 500 osnovnih glasov. Qwen za doslednost priporoča, da začnete s sistemskimi glasovi, pri izbiri osnovnega glasu pa ocenite predoglede. Glas mora pripadati izbranemu modelu, besedilo pa mora biti v jeziku, ki ga ta glas podpira.\n\nKlonirani glasovi razširijo dokumentirani nabor jezikov na kitajščino, angleščino, japonščino, korejščino, ruščino, francoščino, nemščino, portugalščino, tajščino, indonezijščino, vietnamščino, španščino, italijanščino, malajščino, filipinščino in arabščino. Kitajski nabor vključuje mandarinščino, kantonščino, narečje severovzhodne Kitajske in šanghajščino ter različice Chongqing, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Sichuan in Yunnan; narečje izberete z navodili. Tabela modelov navaja podporo za kloniranje glasu na podlagi vzorca in ga ločuje od ustvarjanja novega glasu zgolj iz besedilnega opisa, česar ta izdaja ne podpira.\n\nZa kloniranje proizvajalec priporoča 10–20-sekundni posnetek, pri čemer je največja dolžina 60 sekund, velikost datoteke pa ne sme presegati 10 MB. Podprti referenčni formati so 16-bitni WAV, MP3 in M4A s frekvenco vzorčenja vsaj 16 kHz. Posnetek mora vsebovati vsaj pet sekund neprekinjenega razločnega govora; drugi premori naj ne bodo daljši od dveh sekund. Izogibajte se zvokom v ozadju, drugim glasovom in petju. Stereo je dovoljen, vendar se obdela le prvi kanal. Postopek kloniranja vrne identifikator glasu, vezan na točno določen ciljni model; sinteza ga uporabi, ko je glas pripravljen. Za isti posnetek morate ustvariti ločena klonirana glasova za Flash in Plus.\n\nNavodila v naravnem jeziku nadzorujejo podajanje tako sistemskih kot kloniranih glasov. Opišite slišne značilnosti, kot so nežen ton, jasna izgovarjava ali nekoliko počasnejši tempo. Oznake znotraj besedila omogočajo drugačen nadzor: [empathetic] ali [serious] nastavi slog za nadaljnje besedilo, [laughing] ali [sighing] pa vstavi glasovni učinek na določeno mesto. Nadzorna oznaka velja do druge nadzorne oznake ali samodejne razdelitve na stavke. Te oznake za čustva in bogatejše izražanje so dokumentirane le za enosmerno pretakanje, ne za način z dvosmernim vnosom besedila. Izrazno poved pripravite v načinu, ki ustreza tem možnostim nadzora.\n\nProizvajalčev govorni vmesnik podpira PCM, WAV, MP3 in Opus. Navedene frekvence vzorčenja so 8.000, 16.000, 22.050, 24.000, 44.100 in 48.000 Hz, privzeti vrednosti pa sta MP3 in 22.050 Hz. Glasnost je v razponu od 0 do 100; hitrost govora in višina tona sta vsaka v razponu od 0,5 do 2,0. MP3 in Opus omogočata tudi nastavitev bitne hitrosti od 6 do 510 kbps. Format in frekvenco vzorčenja izberite glede na predvideni predvajalnik ali postopek obdelave. Za interaktivne aplikacije proizvajalec dokumentira pretočne zvočne okvirje in metapodatke stavkov, pri čemer so v pretočnem izhodu za ustrezne glasove, vključno s kloniranimi, na voljo časovne oznake na ravni besed.\n\nDokumentirani besedilni protokol WebSocket sprejme do 20.000 znakov v enem besedilnem sporočilu in skupno 200.000 znakov v nalogi, med zaporednima pošiljanjema pa ne sme preteči več kot 23 sekund. To so omejitve proizvajalčevega protokola, ločene od splošne omejitve trajanja izhoda modela. Podpira preklic trenutne sinteze v pogovoru in naslednjo nalogo na isti povezavi. Besedilne segmente ohranite v predvidenem vrstnem redu izgovarjanja in zaključite vnos, ko je celotno besedilo oddano. Za pripravo izgovarjave proizvajalec dokumentira namige o ciljnem jeziku, opombe v pinjinu in zamenjave besedila, ki so uporabni, ko so števke, kratice ali simboli izgovorjeni drugače od pričakovanj.\n\nSSML je ločena možnost označevalnega zapisa s pogoji glede glasu in načina interakcije: Qwen ga dokumentira za klonirane glasove, pri nepretočnih klicih ali enosmernem pretakanju ter z enim samim pošiljanjem besedila, ko je SSML omogočen. Ne predpostavljajte, da je na voljo za vsak prednastavljen glas ali dvosmerni tok. Pri običajnem dialogu začnite z združljivim glasom, urejenim besedilom za branje in natančnim navodilom za podajanje; ciljni nadzor nad izgovarjavo ali izraznostjo dodajte, kadar ga naloga zahteva. Tako ostaja profil Flash osredotočen na odziven govor iz pripravljenega besedila in ne na zmožnosti drugih Qwenovih zvočnih modelov.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "99e3b94b8cf47c5fdee6c66e4be071832a3abfcbfd86c9a598334258461dcd7e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sl", "methods": [ { "html": "
Al

Qwen: Qwen-Audio-3.0-TTS Flash

Alibaba /qwen/qwen-audio-3.0-tts-flash

Začetek

Qwen-Audio-3.0-TTS-Flash je Qwenov model za pretvorbo besedila v govor, namenjen odzivnim glasovnim pomočnikom in interaktivnemu dialogu. Združuje pretočno sintezo, prednastavljene ali klonirane glasove za posamezni model ter navodila ali oznake za izrazni govor.

Dovoljeni vhodi
Besedilo
Rezultati
Zvok
O modelu

Ta opis zajema zmožnosti modela. Vhodi, izhodi in možnosti, ki so na voljo v Ailoot, so spodaj navedeni za izbrano metodo.

Qwen-Audio-3.0-TTS-Flash pretvori priloženo besedilo za branje v govor, pri čemer je izdaja Flash osredotočena na interakcijo v realnem času. Qwen kot glavne načine uporabe navaja glasovne pomočnike, interaktivni dialog in inteligentno podporo strankam. V primerjavi s predhodno različico proizvajalec opisuje širšo podporo za jezike z manj razpoložljivimi viri in kitajska narečja, pristnejše narečno izražanje ter boljši nadzor nad čustvi, tonom, značajem, hitrostjo, glasnostjo in slogom govora. Poroča tudi o boljši razločnosti in robustnosti v hrupnih akustičnih razmerah ali ob odmevu. Gre za sintezo zvoka iz besedila, ne za prepoznavanje dohodnega govora ali model za glasovni dialog.

Flash daje prednost hitremu začetku govora v interaktivni izmenjavi. Qwen za sintezo tega modela v realnem času navaja zakasnitev prvega paketa največ 200 milisekund; priročnik za uporabo opozarja tudi, da začetna vzpostavitev povezave prispeva k izmerjeni zakasnitvi ob prvem pošiljanju. Besede, ki naj bodo dejansko izgovorjene, pripravite ločeno od želenega načina podajanja. Za odgovor glasovnega pomočnika lahko primer navodila združi jedrnat odgovor z zahtevo po mirnem, jasnem govoru. Ustrezen rezultat je ustvarjeni govor za to besedilo, predvajanje in potek pogovora pa ureja aplikacija.

Proizvajalčev seznam sistemskih glasov vključuje možnosti za posamezni model, kot sta Long An Feng Yue za naravno, prijazno podajanje in Long An Xiao Xin za prijazno, živahno podajanje; oba sta navedena za mandarinščino in angleščino. Vključuje tudi angleške glasove, kot sta loongmary z britanskim naglasom in loongjohn z mirnim, prijaznim ameriškim naglasom. Vsak model ima poleg tega več kot 500 osnovnih glasov. Qwen za doslednost priporoča, da začnete s sistemskimi glasovi, pri izbiri osnovnega glasu pa ocenite predoglede. Glas mora pripadati izbranemu modelu, besedilo pa mora biti v jeziku, ki ga ta glas podpira.

Klonirani glasovi razširijo dokumentirani nabor jezikov na kitajščino, angleščino, japonščino, korejščino, ruščino, francoščino, nemščino, portugalščino, tajščino, indonezijščino, vietnamščino, španščino, italijanščino, malajščino, filipinščino in arabščino. Kitajski nabor vključuje mandarinščino, kantonščino, narečje severovzhodne Kitajske in šanghajščino ter različice Chongqing, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Sichuan in Yunnan; narečje izberete z navodili. Tabela modelov navaja podporo za kloniranje glasu na podlagi vzorca in ga ločuje od ustvarjanja novega glasu zgolj iz besedilnega opisa, česar ta izdaja ne podpira.

Za kloniranje proizvajalec priporoča 10–20-sekundni posnetek, pri čemer je največja dolžina 60 sekund, velikost datoteke pa ne sme presegati 10 MB. Podprti referenčni formati so 16-bitni WAV, MP3 in M4A s frekvenco vzorčenja vsaj 16 kHz. Posnetek mora vsebovati vsaj pet sekund neprekinjenega razločnega govora; drugi premori naj ne bodo daljši od dveh sekund. Izogibajte se zvokom v ozadju, drugim glasovom in petju. Stereo je dovoljen, vendar se obdela le prvi kanal. Postopek kloniranja vrne identifikator glasu, vezan na točno določen ciljni model; sinteza ga uporabi, ko je glas pripravljen. Za isti posnetek morate ustvariti ločena klonirana glasova za Flash in Plus.

Navodila v naravnem jeziku nadzorujejo podajanje tako sistemskih kot kloniranih glasov. Opišite slišne značilnosti, kot so nežen ton, jasna izgovarjava ali nekoliko počasnejši tempo. Oznake znotraj besedila omogočajo drugačen nadzor: [empathetic] ali [serious] nastavi slog za nadaljnje besedilo, [laughing] ali [sighing] pa vstavi glasovni učinek na določeno mesto. Nadzorna oznaka velja do druge nadzorne oznake ali samodejne razdelitve na stavke. Te oznake za čustva in bogatejše izražanje so dokumentirane le za enosmerno pretakanje, ne za način z dvosmernim vnosom besedila. Izrazno poved pripravite v načinu, ki ustreza tem možnostim nadzora.

Proizvajalčev govorni vmesnik podpira PCM, WAV, MP3 in Opus. Navedene frekvence vzorčenja so 8.000, 16.000, 22.050, 24.000, 44.100 in 48.000 Hz, privzeti vrednosti pa sta MP3 in 22.050 Hz. Glasnost je v razponu od 0 do 100; hitrost govora in višina tona sta vsaka v razponu od 0,5 do 2,0. MP3 in Opus omogočata tudi nastavitev bitne hitrosti od 6 do 510 kbps. Format in frekvenco vzorčenja izberite glede na predvideni predvajalnik ali postopek obdelave. Za interaktivne aplikacije proizvajalec dokumentira pretočne zvočne okvirje in metapodatke stavkov, pri čemer so v pretočnem izhodu za ustrezne glasove, vključno s kloniranimi, na voljo časovne oznake na ravni besed.

Dokumentirani besedilni protokol WebSocket sprejme do 20.000 znakov v enem besedilnem sporočilu in skupno 200.000 znakov v nalogi, med zaporednima pošiljanjema pa ne sme preteči več kot 23 sekund. To so omejitve proizvajalčevega protokola, ločene od splošne omejitve trajanja izhoda modela. Podpira preklic trenutne sinteze v pogovoru in naslednjo nalogo na isti povezavi. Besedilne segmente ohranite v predvidenem vrstnem redu izgovarjanja in zaključite vnos, ko je celotno besedilo oddano. Za pripravo izgovarjave proizvajalec dokumentira namige o ciljnem jeziku, opombe v pinjinu in zamenjave besedila, ki so uporabni, ko so števke, kratice ali simboli izgovorjeni drugače od pričakovanj.

SSML je ločena možnost označevalnega zapisa s pogoji glede glasu in načina interakcije: Qwen ga dokumentira za klonirane glasove, pri nepretočnih klicih ali enosmernem pretakanju ter z enim samim pošiljanjem besedila, ko je SSML omogočen. Ne predpostavljajte, da je na voljo za vsak prednastavljen glas ali dvosmerni tok. Pri običajnem dialogu začnite z združljivim glasom, urejenim besedilom za branje in natančnim navodilom za podajanje; ciljni nadzor nad izgovarjavo ali izraznostjo dodajte, kadar ga naloga zahteva. Tako ostaja profil Flash osredotočen na odziven govor iz pripravljenega besedila in ne na zmožnosti drugih Qwenovih zvočnih modelov.

Na voljo v Ailoot · vhodi in metode

Ailoot Ultra · Pretvorba v govor POST /v1/audio/speech
Vhod
text
Izhod
audio
Izhodni format
mp3
PoljeVrstaZahtevaVrednosti in omejitvePrivzeto
PoljemodelVrstastringZahtevaObveznoVrednosti in omejitve
qwen/qwen-audio-3.0-tts-flash
Privzeto—
PoljeinputVrstastringZahtevaObveznoVrednosti in omejitve
Najmanjša dolžina: 1
Enota: znaki Unicode
Privzeto—
PoljevoiceVrstastringZahtevaObveznoVrednosti in omejitve
loongjohn, longanhuan_v3.6
Privzeto—
Poljeresponse_formatVrstastringZahtevaObveznoVrednosti in omejitve
mp3
Privzeto—
Kombinacije vhodnih gradiv

text_to_speech · Obvezno: input

Parametri in življenjski cikel metode
ParameterSpecifikacija
Parametercontent_typeSpecifikacijaapplication/json
ParameterrequiredSpecifikacijamodel, input, voice, response_format
Parametervoice_idsSpecifikacijaloongjohn, longanhuan_v3.6
Parameterresponse_formatSpecifikacijamp3
Parametermax_input_charactersSpecifikacijanull
Parameterother_optionsSpecifikacijafalse
ParameterinputSpecifikacijanatančno besedilo UTF-8; število znakov Unicode brez normalizacije
Parametermaterial_typesSpecifikacijatext

Življenjski cikel: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Dejansko vrnjeni task_id ali zapis v medijski knjižnici

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Izberite natančen glas iz profila tega modela.

Vhodni znaki in zvočne sekunde so različni merili porabe.

Cenik

Tarifni podatki ne dodajajo možnosti zahteve. Podprti parametri so navedeni pri izbrani metodi.

Hitri način
Ni navedeno Ko je izbran hitri način
Način flex
Ni navedeno Ko je izbran način flex
Najvišja raven razmišljanja
Ni navedeno Ko najvišja raven razmišljanja uporablja privzeto prilagoditev (default)

Cene Ailoot

Cene po nastavitvah

Vsak strošek povežite s prikazanimi pogoji. Za vsak nabor alternativnih nastavitev uporabite eno ceno.

NastavitevCenovna lestvicaObračunana količinaObračunska enotaStrošek
NastavitevOsnovne cene žetonovCenovna lestvicaOsnovna cenaObračunana količina—Obračunska enota—Strošek
Vhod · Vhodni žetoni — / 1K žetonov
Izhod · Izhodni žetoni — / 1K žetonov
Vhod · Branje predpomnilnika — / 1K žetonov
Vhod · Zapis v predpomnilnik — / 1K žetonov
Vhod · Zapis v predpomnilnik, 1 ura — / 1K žetonov
NastavitevUltraCenovna lestvica—Obračunana količinaVsaka kodna točka Unicode šteje kot en znak, vključno z znaki Han.Obračunska enotana 1K vhodnih znakovStrošek
Vhod · vhodni znak $0.03 na 1K vhodnih znakov

Podrobnosti referenčne tarife

Referenčne lestvice modela ne spreminjajo izbire metode, ocen cen ali stroškov. Veljavni stroški uporabljajo cene izbrane metode Ailoot.

Qwen: Qwen-Audio-3.0-TTS Flash

Cene po nastavitvah

NastavitevObračunski pogojiStrošek
NastavitevQwen: Qwen-Audio-3.0-TTS Flash · Privzeta konfiguracijaObračunski pogojiPrivzeta konfiguracijaStrošek
Vhod · Vhodni znaki 0,00003 $ na vhodni znak

Ailoot pred zahtevo rezervira ocenjeni znesek. Po rezultatu obračuna končni strošek na podlagi izmerjene porabe. Obračun pretakanja uporablja končni zapis porabe. Kako delujeta rezervacija in obračun →

Primeri zahtev

Ailoot Ultra · Pretvorba v govor

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen-audio-3.0-tts-flash", "input": "Good afternoon! This is a short voice take."}')\nvoice=os.environ["AILOOT_VOICE_ID"]\nallowed=json.loads('["loongjohn", "longanhuan_v3.6"]')\nif voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")\np["voice"]=voice\np["response_format"]="mp3"\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o speech.mp3\n

Prejmi in shrani rezultate

Ailoot Ultra · Pretvorba v govor

mp3

Branje druge vsebine
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json\n
Ohrani vse dokončane rezultate

Shranite vsak v celoti vrnjen odgovor, datoteko in del vsebine.

Shranite celoten binarni rezultat in glave. Če so vrnjeni podatki JSON ali več izhodov, shranite vsak podatkovni element in pridobite vsebino z vsakega dejanskega podpisanega URL datoteke.

Če je treba preveriti izvirni odgovor

Shranite izvirni operation_id/X-Client-Request-ID za uskladitev evidenc brez ponovnega pošiljanja; namenska pot za periodično preverjanje zvoka ne obstaja.

Polja odgovora
PoljeVrsta
Poljebinary audioVrstabytes
Poljeresponse headersVrstaheaders
Napake in naslednji koraki
OdgovorPogojNaslednji korak
Odgovor400 · invalid_request_errorPogojNeveljavna obvezna polja, predstavitev gradiva ali vrednost parametraNaslednji korakPred novo zahtevo za ustvarjanje popravite navedena polja.
Odgovorserver_errorPogojVrnjeni odgovor navaja, da je treba operacijo ali rezultat preveritiNaslednji korakShranite izvirni vrnjeni ID operacije/opravila, glave zahteve in odgovor; nadaljujte s podprtimi branji te izvirne operacije. Zahteve za ustvarjanje ne pošiljajte znova.

Druga imena

Druga imena modelov

Ailoot Ultra qwen/qwen-audio-3.0-tts-flash

Druga imena poti metod

Uporabite zgoraj navedene poti metod.

Povezani ID-ji za klic

qwen/qwen-audio-3.0-tts-flash

", "method_identity": { "effective_request_model_id": "qwen/qwen-audio-3.0-tts-flash", "fmt": "speech", "http": "POST", "path": "/v1/audio/speech", "request_model_id": "qwen/qwen-audio-3.0-tts-flash", "route_label": "Ultra" }, "method_key": "Ultra|speech|/v1/audio/speech|qwen%2Fqwen-audio-3.0-tts-flash", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep the complete binary result and headers. If JSON/multiple outputs are returned, retain every data item and fetch each actual signed asset URL.", "errors": [ { "code": null, "condition": "Neveljavna obvezna polja, predstavitev gradiva ali vrednost parametra", "http_status": 400, "recovery": "Pred novo zahtevo za ustvarjanje popravite navedena polja.", "type": "invalid_request_error" }, { "code": null, "condition": "Vrnjeni odgovor navaja, da je treba operacijo ali rezultat preveriti", "http_status": null, "recovery": "Shranite izvirni vrnjeni ID operacije/opravila, glave zahteve in odgovor; nadaljujte s podprtimi branji te izvirne operacije. Zahteve za ustvarjanje ne pošiljajte znova.", "type": "server_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "all_results": "Follow everyactualreturnedoutputandownedasset; no result is discardedbecauseindex0orcontent_urlalreadyexists.", "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "actual returned task_id or media library record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Shranite izvirni operation_id/X-Client-Request-ID za uskladitev evidenc brez ponovnega pošiljanja; namenska pot za periodično preverjanje zvoka ne obstaja." }, "material_combinations": [ { "content_type": "application/json", "mode": "text_to_speech", "required": [ "input" ] } ], "media_library": { "asset": { "fields": [ { "description": null, "name": "asset_id", "type": "string" }, { "description": null, "name": "task_id", "type": "string" }, { "description": null, "name": "output_key", "type": "string" }, { "description": null, "name": "family", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "method", "type": "string" }, { "description": null, "name": "status", "type": "string" }, { "description": null, "name": "content_type", "type": "string" }, { "description": null, "name": "sha256", "type": "string" }, { "description": null, "name": "size_bytes", "type": "integer" }, { "description": null, "name": "content_url", "type": "string" } ], "http": "GET", "id_source": "actual returned asset_id", "path": "/v1/media/assets/{asset_id}" }, "content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "range_header_supported": true, "url_source": "Use exact returned signed content_url including its token; do not construct a token." }, "expired_link": { "code": "link_expired", "http_status": 404, "recovery": "Read the asset again to obtain its refreshed signed content_url, then fetch that URL. Do not regenerate." }, "list": { "all_pages": "Follow every returned next_cursor, then select records by their actual task_id/output_key.", "http": "GET", "output_fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "data", "type": "asset[]" }, { "description": null, "name": "next_cursor", "type": "string|null" } ], "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "family", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "cursor", "required": false, "type": "string" }, { "availability": "source_interface", "default": 20, "default_known": true, "enum": null, "enum_known": false, "maximum": 100, "minimum": 1, "name": "limit", "required": false, "type": "integer" } ], "path": "/v1/media/assets" }, "revoke": { "http": "DELETE", "meaning": "Revokes/deletes the existing owned file; this is not generation cancellation.", "path": "/v1/media/assets/{asset_id}", "pending_status": "revoking", "success_statuses": [ 202, 204 ] }, "task": { "http": "GET", "id_source": "actual returned task_id or media library record; operation_id is not task_id", "path": "/v1/media/tasks/{task_id}" } }, "operation_modes": [ "text_to_speech" ], "outputs": { "all_results": "Shranite celoten binarni rezultat in glave. Če so vrnjeni podatki JSON ali več izhodov, shranite vsak podatkovni element in pridobite vsebino z vsakega dejanskega podpisanega URL datoteke.", "family": "audio", "fields": [ { "description": null, "name": "binary audio", "type": "bytes" }, { "description": null, "name": "response headers", "type": "headers" } ], "format": "mp3", "http_success": 200 }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "qwen/qwen-audio-3.0-tts-flash" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "limit_known": false, "maximum_length": null, "min_length": 1, "name": "input", "required": true, "type": "string", "unit": "znaki Unicode" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "loongjohn", "longanhuan_v3.6" ], "enum_known": true, "name": "voice", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "mp3" ], "enum_known": true, "name": "response_format", "required": true, "type": "string" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "every field outside exactmodel,input,voice,response_format", "stream/speed/reference speech options" ] }, "hints": [ "Izberite natančen glas iz profila tega modela.", "Vhodni znaki in zvočne sekunde so različni merili porabe." ], "input": { "content_type": "application/json", "input": "natančno besedilo UTF-8; število znakov Unicode brez normalizacije", "material_types": [ "text" ], "max_input_characters": null, "other_options": false, "required": [ "model", "input", "voice", "response_format" ], "response_format": [ "mp3" ], "voice_ids": [ "loongjohn", "longanhuan_v3.6" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "Dejansko vrnjeni task_id ali zapis v medijski knjižnici", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Retain original operation_id/X-Client-Request-ID for reconciliation without resubmission; no dedicated audio poll route." }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/audio/speech" }, "method_aliases": [], "operation_modes": [ "text_to_speech" ], "output": { "family": "audio", "format": "mp3", "http_success": 200, "response": "full binary MP3 plus response headers", "result": "complete playable owned MP3" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quantity_meter": "utf8.RuneCountInString(validUTF8): one Han codepoint=1; no Han weighting", "quoted_unit": "per 1000 input character" }, "label": "Ultra", "units": [ { "amount": "0.03000", "amount_unit": "usd_per_1000_characters", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00003", "native_quantity": 1, "public_unit_label": "per 1000 input character", "quantity": "1000", "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_character" } ] } ], "declared_tariff_references": [ { "client_selectable": false, "key": "1005b0881c111e8d7cb6", "label": "Qwen: Qwen-Audio-3.0-TTS Flash", "profiles": [ { "basis": "", "dimensions": { "conditions": "Privzeta konfiguracija" }, "label": "Qwen: Qwen-Audio-3.0-TTS Flash · Privzeta konfiguracija", "units": [ { "amount": "0.000030", "amount_unit": "usd_per_exact_physical_unit", "billing_input": false, "key": "723fd9e7b35c0e460956bc11", "label": "Input characters", "public_unit_label": "per input character", "quantity": "1", "rate_role": "declared_tariff_rate", "side": "in", "unit": "input_character" } ] } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}\"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"qwen/qwen-audio-3.0-tts-flash\", \"input\": \"Good afternoon! This is a short voice take.\"}')\nvoice=os.environ[\"AILOOT_VOICE_ID\"]\nallowed=json.loads('[\"loongjohn\", \"longanhuan_v3.6\"]')\nif voice not in allowed: raise SystemExit(\"Choose an accepted voice ID from this exact model profile\")\np[\"voice\"]=voice\np[\"response_format\"]=\"mp3\"\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\n", "label": "curl", "language": "bash" }, { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -o media-assets.json\n", "label": "List actual media assets", "language": "bash" }, { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}\"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ[\"AILOOT_MEDIA_TASK_ID\"],safe=\"\"))')\ncurl --fail-with-body --silent --show-error \"https://api.ailoot.ai/v1/media/tasks/$resource_id\" \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"media-task.json\").read_text())))\nPY_RESULT\n", "label": "Read actual media task", "language": "bash" }, { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}\"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ[\"AILOOT_ASSET_ID\"],safe=\"\"))')\ncurl --fail-with-body --silent --show-error \"https://api.ailoot.ai/v1/media/assets/$resource_id\" \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"media-asset.json\").read_text())))\nPY_RESULT\n", "label": "Read actual asset metadata", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "speech", "hints": [ "Select exact voice from this model profile.", "Input characters and audio seconds are different meters." ], "http": "POST", "in": null, "input": [ "text" ], "label": "Озвучка текста", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "audio" ], "path": "/v1/audio/speech", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "image_input_price": null, "image_output_price": null, "per_request_price": null, "unit_prices": { "audio_input_character": 3e-05 } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quantity_meter": "utf8.RuneCountInString(validUTF8): one Han codepoint=1; no Han weighting", "quoted_unit": "per 1000 input character" }, "label": "Ultra", "units": [ { "amount": "0.03000", "amount_unit": "usd_per_1000_characters", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00003", "native_quantity": 1, "public_unit_label": "per 1000 input character", "quantity": "1000", "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_character" } ] } ], "request_model_id": "qwen/qwen-audio-3.0-tts-flash", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}", "GET /v1/media/assets/{asset_id}/content" ], "tiers": [], "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.03000", "amount_unit": "usd_per_1000_characters", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00003", "native_quantity": 1, "public_unit_label": "per 1000 input character", "quantity": "1000", "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_character" } ] } } ], "model_id": "qwen/qwen-audio-3.0-tts-flash", "nativeProvenance": { "input_facts_canonical_sha256": "9d9aa089d469d8aae6c4ff5e657bb51a0615115e65e5bf0efa6fd2f3966ce595", "input_html_sha256": "b44fd3c5bf9898e710f69e4e649f3d218b93a8812f980aea7b1d31fe4286ed9d", "private_audit_sha256": "6f7880c2ab36bc36082d4bd79fc7683c9aab9c6dd418fd05f8555f88ddf80ea8", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/sl/qwen-qwen-audio-3-0-tts-flash/", "description": "Qwen-Audio-3.0-TTS-Flash je Qwenov model za pretvorbo besedila v govor, namenjen odzivnim glasovnim pomočnikom in interaktivnemu dialogu. Združuje pretočno sintezo, prednastavljene ali klonirane glasove za posamezni model ter navodila ali oznake za izrazni govor.", "locale": "sl", "md_url": "https://ailoot.ai/models/sl/qwen-qwen-audio-3-0-tts-flash/index.md", "title": "Qwen: Qwen-Audio-3.0-TTS Flash — Ailoot", "url": "https://ailoot.ai/models/sl/qwen-qwen-audio-3-0-tts-flash/" }, "rawModel": { "about": "Qwen-Audio-3.0-TTS-Flash pretvori priloženo besedilo za branje v govor, pri čemer je izdaja Flash osredotočena na interakcijo v realnem času. Qwen kot glavne načine uporabe navaja glasovne pomočnike, interaktivni dialog in inteligentno podporo strankam. V primerjavi s predhodno različico proizvajalec opisuje širšo podporo za jezike z manj razpoložljivimi viri in kitajska narečja, pristnejše narečno izražanje ter boljši nadzor nad čustvi, tonom, značajem, hitrostjo, glasnostjo in slogom govora. Poroča tudi o boljši razločnosti in robustnosti v hrupnih akustičnih razmerah ali ob odmevu. Gre za sintezo zvoka iz besedila, ne za prepoznavanje dohodnega govora ali model za glasovni dialog.\n\nFlash daje prednost hitremu začetku govora v interaktivni izmenjavi. Qwen za sintezo tega modela v realnem času navaja zakasnitev prvega paketa največ 200 milisekund; priročnik za uporabo opozarja tudi, da začetna vzpostavitev povezave prispeva k izmerjeni zakasnitvi ob prvem pošiljanju. Besede, ki naj bodo dejansko izgovorjene, pripravite ločeno od želenega načina podajanja. Za odgovor glasovnega pomočnika lahko primer navodila združi jedrnat odgovor z zahtevo po mirnem, jasnem govoru. Ustrezen rezultat je ustvarjeni govor za to besedilo, predvajanje in potek pogovora pa ureja aplikacija.\n\nProizvajalčev seznam sistemskih glasov vključuje možnosti za posamezni model, kot sta Long An Feng Yue za naravno, prijazno podajanje in Long An Xiao Xin za prijazno, živahno podajanje; oba sta navedena za mandarinščino in angleščino. Vključuje tudi angleške glasove, kot sta loongmary z britanskim naglasom in loongjohn z mirnim, prijaznim ameriškim naglasom. Vsak model ima poleg tega več kot 500 osnovnih glasov. Qwen za doslednost priporoča, da začnete s sistemskimi glasovi, pri izbiri osnovnega glasu pa ocenite predoglede. Glas mora pripadati izbranemu modelu, besedilo pa mora biti v jeziku, ki ga ta glas podpira.\n\nKlonirani glasovi razširijo dokumentirani nabor jezikov na kitajščino, angleščino, japonščino, korejščino, ruščino, francoščino, nemščino, portugalščino, tajščino, indonezijščino, vietnamščino, španščino, italijanščino, malajščino, filipinščino in arabščino. Kitajski nabor vključuje mandarinščino, kantonščino, narečje severovzhodne Kitajske in šanghajščino ter različice Chongqing, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Sichuan in Yunnan; narečje izberete z navodili. Tabela modelov navaja podporo za kloniranje glasu na podlagi vzorca in ga ločuje od ustvarjanja novega glasu zgolj iz besedilnega opisa, česar ta izdaja ne podpira.\n\nZa kloniranje proizvajalec priporoča 10–20-sekundni posnetek, pri čemer je največja dolžina 60 sekund, velikost datoteke pa ne sme presegati 10 MB. Podprti referenčni formati so 16-bitni WAV, MP3 in M4A s frekvenco vzorčenja vsaj 16 kHz. Posnetek mora vsebovati vsaj pet sekund neprekinjenega razločnega govora; drugi premori naj ne bodo daljši od dveh sekund. Izogibajte se zvokom v ozadju, drugim glasovom in petju. Stereo je dovoljen, vendar se obdela le prvi kanal. Postopek kloniranja vrne identifikator glasu, vezan na točno določen ciljni model; sinteza ga uporabi, ko je glas pripravljen. Za isti posnetek morate ustvariti ločena klonirana glasova za Flash in Plus.\n\nNavodila v naravnem jeziku nadzorujejo podajanje tako sistemskih kot kloniranih glasov. Opišite slišne značilnosti, kot so nežen ton, jasna izgovarjava ali nekoliko počasnejši tempo. Oznake znotraj besedila omogočajo drugačen nadzor: [empathetic] ali [serious] nastavi slog za nadaljnje besedilo, [laughing] ali [sighing] pa vstavi glasovni učinek na določeno mesto. Nadzorna oznaka velja do druge nadzorne oznake ali samodejne razdelitve na stavke. Te oznake za čustva in bogatejše izražanje so dokumentirane le za enosmerno pretakanje, ne za način z dvosmernim vnosom besedila. Izrazno poved pripravite v načinu, ki ustreza tem možnostim nadzora.\n\nProizvajalčev govorni vmesnik podpira PCM, WAV, MP3 in Opus. Navedene frekvence vzorčenja so 8.000, 16.000, 22.050, 24.000, 44.100 in 48.000 Hz, privzeti vrednosti pa sta MP3 in 22.050 Hz. Glasnost je v razponu od 0 do 100; hitrost govora in višina tona sta vsaka v razponu od 0,5 do 2,0. MP3 in Opus omogočata tudi nastavitev bitne hitrosti od 6 do 510 kbps. Format in frekvenco vzorčenja izberite glede na predvideni predvajalnik ali postopek obdelave. Za interaktivne aplikacije proizvajalec dokumentira pretočne zvočne okvirje in metapodatke stavkov, pri čemer so v pretočnem izhodu za ustrezne glasove, vključno s kloniranimi, na voljo časovne oznake na ravni besed.\n\nDokumentirani besedilni protokol WebSocket sprejme do 20.000 znakov v enem besedilnem sporočilu in skupno 200.000 znakov v nalogi, med zaporednima pošiljanjema pa ne sme preteči več kot 23 sekund. To so omejitve proizvajalčevega protokola, ločene od splošne omejitve trajanja izhoda modela. Podpira preklic trenutne sinteze v pogovoru in naslednjo nalogo na isti povezavi. Besedilne segmente ohranite v predvidenem vrstnem redu izgovarjanja in zaključite vnos, ko je celotno besedilo oddano. Za pripravo izgovarjave proizvajalec dokumentira namige o ciljnem jeziku, opombe v pinjinu in zamenjave besedila, ki so uporabni, ko so števke, kratice ali simboli izgovorjeni drugače od pričakovanj.\n\nSSML je ločena možnost označevalnega zapisa s pogoji glede glasu in načina interakcije: Qwen ga dokumentira za klonirane glasove, pri nepretočnih klicih ali enosmernem pretakanju ter z enim samim pošiljanjem besedila, ko je SSML omogočen. Ne predpostavljajte, da je na voljo za vsak prednastavljen glas ali dvosmerni tok. Pri običajnem dialogu začnite z združljivim glasom, urejenim besedilom za branje in natančnim navodilom za podajanje; ciljni nadzor nad izgovarjavo ali izraznostjo dodajte, kadar ga naloga zahteva. Tako ostaja profil Flash osredotočen na odziven govor iz pripravljenega besedila in ne na zmožnosti drugih Qwenovih zvočnih modelov.", "alias_of": null, "aliases": [], "author": "Alibaba", "available": null, "canonical_model": "qwen/qwen-audio-3.0-tts-flash", "capabilities": { "context_length": 0, "manufacturer_input": [ "text" ], "manufacturer_output": [ "speech" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.03000", "amount_unit": "usd_per_1000_characters", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00003", "native_quantity": 1, "public_unit_label": "per 1000 input character", "quantity": "1000", "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_character" } ], "summary": "Celoten cenik konfiguracije je v podrobnostih." } ], "ctx": null, "entity_type": "model", "formats": [ "speech" ], "id": "qwen/qwen-audio-3.0-tts-flash", "input": [ "text" ], "kind": "speech", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep the complete binary result and headers. If JSON/multiple outputs are returned, retain every data item and fetch each actual signed asset URL.", "errors": [ { "code": null, "condition": "Neveljavna obvezna polja, predstavitev gradiva ali vrednost parametra", "http_status": 400, "recovery": "Pred novo zahtevo za ustvarjanje popravite navedena polja.", "type": "invalid_request_error" }, { "code": null, "condition": "Vrnjeni odgovor navaja, da je treba operacijo ali rezultat preveriti", "http_status": null, "recovery": "Shranite izvirni vrnjeni ID operacije/opravila, glave zahteve in odgovor; nadaljujte s podprtimi branji te izvirne operacije. Zahteve za ustvarjanje ne pošiljajte znova.", "type": "server_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "all_results": "Follow everyactualreturnedoutputandownedasset; no result is discardedbecauseindex0orcontent_urlalreadyexists.", "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "actual returned task_id or media library record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Shranite izvirni operation_id/X-Client-Request-ID za uskladitev evidenc brez ponovnega pošiljanja; namenska pot za periodično preverjanje zvoka ne obstaja." }, "material_combinations": [ { "content_type": "application/json", "mode": "text_to_speech", "required": [ "input" ] } ], "media_library": { "asset": { "fields": [ { "description": null, "name": "asset_id", "type": "string" }, { "description": null, "name": "task_id", "type": "string" }, { "description": null, "name": "output_key", "type": "string" }, { "description": null, "name": "family", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "method", "type": "string" }, { "description": null, "name": "status", "type": "string" }, { "description": null, "name": "content_type", "type": "string" }, { "description": null, "name": "sha256", "type": "string" }, { "description": null, "name": "size_bytes", "type": "integer" }, { "description": null, "name": "content_url", "type": "string" } ], "http": "GET", "id_source": "actual returned asset_id", "path": "/v1/media/assets/{asset_id}" }, "content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "range_header_supported": true, "url_source": "Use exact returned signed content_url including its token; do not construct a token." }, "expired_link": { "code": "link_expired", "http_status": 404, "recovery": "Read the asset again to obtain its refreshed signed content_url, then fetch that URL. Do not regenerate." }, "list": { "all_pages": "Follow every returned next_cursor, then select records by their actual task_id/output_key.", "http": "GET", "output_fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "data", "type": "asset[]" }, { "description": null, "name": "next_cursor", "type": "string|null" } ], "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "family", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "cursor", "required": false, "type": "string" }, { "availability": "source_interface", "default": 20, "default_known": true, "enum": null, "enum_known": false, "maximum": 100, "minimum": 1, "name": "limit", "required": false, "type": "integer" } ], "path": "/v1/media/assets" }, "revoke": { "http": "DELETE", "meaning": "Revokes/deletes the existing owned file; this is not generation cancellation.", "path": "/v1/media/assets/{asset_id}", "pending_status": "revoking", "success_statuses": [ 202, 204 ] }, "task": { "http": "GET", "id_source": "actual returned task_id or media library record; operation_id is not task_id", "path": "/v1/media/tasks/{task_id}" } }, "operation_modes": [ "text_to_speech" ], "outputs": { "all_results": "Shranite celoten binarni rezultat in glave. Če so vrnjeni podatki JSON ali več izhodov, shranite vsak podatkovni element in pridobite vsebino z vsakega dejanskega podpisanega URL datoteke.", "family": "audio", "fields": [ { "description": null, "name": "binary audio", "type": "bytes" }, { "description": null, "name": "response headers", "type": "headers" } ], "format": "mp3", "http_success": 200 }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "qwen/qwen-audio-3.0-tts-flash" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "limit_known": false, "maximum_length": null, "min_length": 1, "name": "input", "required": true, "type": "string", "unit": "znaki Unicode" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "loongjohn", "longanhuan_v3.6" ], "enum_known": true, "name": "voice", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "mp3" ], "enum_known": true, "name": "response_format", "required": true, "type": "string" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "every field outside exactmodel,input,voice,response_format", "stream/speed/reference speech options" ] }, "hints": [ "Izberite natančen glas iz profila tega modela.", "Vhodni znaki in zvočne sekunde so različni merili porabe." ], "input": { "content_type": "application/json", "input": "natančno besedilo UTF-8; število znakov Unicode brez normalizacije", "material_types": [ "text" ], "max_input_characters": null, "other_options": false, "required": [ "model", "input", "voice", "response_format" ], "response_format": [ "mp3" ], "voice_ids": [ "loongjohn", "longanhuan_v3.6" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "Dejansko vrnjeni task_id ali zapis v medijski knjižnici", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Retain original operation_id/X-Client-Request-ID for reconciliation without resubmission; no dedicated audio poll route." }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/audio/speech" }, "method_aliases": [], "operation_modes": [ "text_to_speech" ], "output": { "family": "audio", "format": "mp3", "http_success": 200, "response": "full binary MP3 plus response headers", "result": "complete playable owned MP3" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quantity_meter": "utf8.RuneCountInString(validUTF8): one Han codepoint=1; no Han weighting", "quoted_unit": "per 1000 input character" }, "label": "Ultra", "units": [ { "amount": "0.03000", "amount_unit": "usd_per_1000_characters", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00003", "native_quantity": 1, "public_unit_label": "per 1000 input character", "quantity": "1000", "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_character" } ] } ], "declared_tariff_references": [ { "client_selectable": false, "key": "1005b0881c111e8d7cb6", "label": "Qwen: Qwen-Audio-3.0-TTS Flash", "profiles": [ { "basis": "", "dimensions": { "conditions": "Privzeta konfiguracija" }, "label": "Qwen: Qwen-Audio-3.0-TTS Flash · Privzeta konfiguracija", "units": [ { "amount": "0.000030", "amount_unit": "usd_per_exact_physical_unit", "billing_input": false, "key": "723fd9e7b35c0e460956bc11", "label": "Input characters", "public_unit_label": "per input character", "quantity": "1", "rate_role": "declared_tariff_rate", "side": "in", "unit": "input_character" } ] } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}\"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"qwen/qwen-audio-3.0-tts-flash\", \"input\": \"Good afternoon! This is a short voice take.\"}')\nvoice=os.environ[\"AILOOT_VOICE_ID\"]\nallowed=json.loads('[\"loongjohn\", \"longanhuan_v3.6\"]')\nif voice not in allowed: raise SystemExit(\"Choose an accepted voice ID from this exact model profile\")\np[\"voice\"]=voice\np[\"response_format\"]=\"mp3\"\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\n", "label": "curl", "language": "bash" }, { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -o media-assets.json\n", "label": "List actual media assets", "language": "bash" }, { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}\"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ[\"AILOOT_MEDIA_TASK_ID\"],safe=\"\"))')\ncurl --fail-with-body --silent --show-error \"https://api.ailoot.ai/v1/media/tasks/$resource_id\" \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"media-task.json\").read_text())))\nPY_RESULT\n", "label": "Read actual media task", "language": "bash" }, { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}\"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ[\"AILOOT_ASSET_ID\"],safe=\"\"))')\ncurl --fail-with-body --silent --show-error \"https://api.ailoot.ai/v1/media/assets/$resource_id\" \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path(\"media-asset.json\").read_text())))\nPY_RESULT\n", "label": "Read actual asset metadata", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "speech", "hints": [ "Select exact voice from this model profile.", "Input characters and audio seconds are different meters." ], "http": "POST", "in": null, "input": [ "text" ], "label": "Озвучка текста", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "audio" ], "path": "/v1/audio/speech", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "image_input_price": null, "image_output_price": null, "per_request_price": null, "unit_prices": { "audio_input_character": 3e-05 } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quantity_meter": "utf8.RuneCountInString(validUTF8): one Han codepoint=1; no Han weighting", "quoted_unit": "per 1000 input character" }, "label": "Ultra", "units": [ { "amount": "0.03000", "amount_unit": "usd_per_1000_characters", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00003", "native_quantity": 1, "public_unit_label": "per 1000 input character", "quantity": "1000", "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_character" } ] } ], "request_model_id": "qwen/qwen-audio-3.0-tts-flash", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}", "GET /v1/media/assets/{asset_id}/content" ], "tiers": [], "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.03000", "amount_unit": "usd_per_1000_characters", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00003", "native_quantity": 1, "public_unit_label": "per 1000 input character", "quantity": "1000", "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_character" } ] } ], "model_aliases": [ { "canonical_model_id": "qwen/qwen-audio-3.0-tts-flash", "request_model_id": "qwen/qwen-audio-3.0-tts-flash", "route_label": "Ultra" } ], "name": "Qwen: Qwen-Audio-3.0-TTS Flash", "price": { "in": null, "in_label": null, "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": true }, "pricing_profiles": [ { "applicability": { "client_selectable": false, "native_profile_selection_pending": true, "scope": "manufacturer_reference" }, "dimensions": { "Model ID": "qwen-audio-3.0-tts-flash", "Service deployment scope": "International", "character_counting_rule": "Han characters incl Chinese/Japanese kanji/Korean hanja=2; other characters=1; SSML markup excluded; actual synthesized text counts", "maker_published_model_id": "qwen-audio-3.0-tts-flash" }, "label": "Ultra", "units": [ { "amount": "0.000030", "amount_unit": "usd_per_input_character", "conditions": { "Model ID": "qwen-audio-3.0-tts-flash", "Service deployment scope": "International", "character_counting_rule": "Han characters incl Chinese/Japanese kanji/Korean hanja=2; other characters=1; SSML markup excluded; actual synthesized text counts", "maker_published_model_id": "qwen-audio-3.0-tts-flash" }, "key": "input_character", "label": "input character", "profile_index": 0, "quantity": "1", "rate_role": "binding_component_rate", "side": "in", "unit": "input_character" } ] }, { "applicability": { "client_selectable": false, "native_profile_selection_pending": true, "scope": "manufacturer_reference" }, "dimensions": { "Model ID": "qwen-audio-3.0-tts-flash", "Service deployment scope": "Mainland China", "character_counting_rule": "Han characters incl Chinese/Japanese kanji/Korean hanja=2; other characters=1; SSML markup excluded; actual synthesized text counts", "maker_published_model_id": "qwen-audio-3.0-tts-flash" }, "label": "Ultra", "units": [ { "amount": "0.0000275042", "amount_unit": "usd_per_input_character", "conditions": { "Model ID": "qwen-audio-3.0-tts-flash", "Service deployment scope": "Mainland China", "character_counting_rule": "Han characters incl Chinese/Japanese kanji/Korean hanja=2; other characters=1; SSML markup excluded; actual synthesized text counts", "maker_published_model_id": "qwen-audio-3.0-tts-flash" }, "key": "input_character", "label": "input character", "profile_index": 1, "quantity": "1", "rate_role": "binding_component_rate", "side": "in", "unit": "input_character" } ] } ], "public_id": "qwen/qwen-audio-3.0-tts-flash", "short": "Qwen-Audio-3.0-TTS-Flash je Qwenov model za pretvorbo besedila v govor, namenjen odzivnim glasovnim pomočnikom in interaktivnemu dialogu. Združuje pretočno sintezo, prednastavljene ali klonirane glasove za posamezni model ter navodila ali oznake za izrazni govor." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Qwen-Audio-3.0-TTS-Flash je Qwenov model za pretvorbo besedila v govor, namenjen odzivnim glasovnim pomočnikom in interaktivnemu dialogu. Združuje pretočno sintezo, prednastavljene ali klonirane glasove za posamezni model ter navodila ali oznake za izrazni govor.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "59e228a6aec4b722e27757cedcc56d061fc04aeca68bce118430f893074e7633", "renderer_sha256": "dcba2271c18b0f9570a8b166e8d1e3166f121e096a58609c3a46da31562a1bf2" }, "sourceRevision": "6550a41d50ba7ecc02cff971cf2b5993f96ba947759b4208a28092ac35df321e" }